GLM-5.1 は、長時間タスクをオープンウェイトで真剣に扱えるものにしたGLMモデルです。多くのオープンモデルがまだ単一ファイルのタスクで評価されていた時期に、200,000トークンの文脈、数時間に及ぶ自律実行、実務水準の成果物を実現しました。また、完全な公表ベンチマーク列を持つもう1つのGLMモデルでもあり、GLM-5.2 の改善はすべてこのモデルを基準に語られます。
GLM-5.1 の列を読むことが、次世代が実際に何を変えたのかを理解する最短ルートです。GLM-5.1 が Terminal-Bench 2.1 で63.5、SWE-bench Pro で58.4、FrontierSWE Dominance で30.5 なのに対し、GLM-5.2 は81.0、62.1、74.4 です。差が不均一なのは意図的で、標準的なコーディングは数ポイント、長時間のエージェント実行は数十ポイント動いています。いずれもモデル開発元の公表値です。
登録もアカウントもクレジットも不要。プロンプトを入力すれば、その場で回答がストリーミングされます。
ここに回答がストリーミングされます...
このプレイグラウンドは OpenRouter 経由で無料のオープンソースLLMを実行しています。GLM-5.2 ではなく、GLMのウェイトも使用していません。以下に掲載したGLMの公表ベンチマークを読みながら、稼働中のモデルを実際に試せるように用意したものです。
20万トークンあれば、相応の規模のサービスとそのテスト、そしてそれらについての長い会話が収まります。モノレポ全体ではなく、焦点の定まった機能の作業一式といったところです。実際、GLM-5.1 は範囲の明確なエージェント作業は快適にこなし、タスクが多数のモジュールにまたがり始めると検索層が必要になります。また、旧来のマルチトークン予測の設計が学習時と推論時の KV-cache 不整合に突き当たったのもこのウィンドウ規模で、投機的デコードの受理長は4.56 に頭打ちでした。この不整合の解消こそ次世代が具体的に修正した点の1つです。ワークロードが200Kトークンに収まるなら GLM-5.1 は今も有能で完全にオープンなGLMモデルですし、収まらないのであれば、100万ウィンドウへの飛躍こそが GLM-5.2 の存在理由です。
スコアはモデル開発元の公表値です。
GLM-5.1 の公表列は、推論と中程度の長さのコーディングでは十分に立派です。AIME 2026 で95.3、GPQA-Diamond で86.2、IMOAnswerBench で83.8、MCP-Atlas 公開セットで71.8、SWE-bench Pro で58.4。目に見えて余力を失うのは超長時間の作業で、FrontierSWE Dominance が30.5、PostTrainBench が20.1、SWE-Marathon が1.0 です。この3項目こそ次世代が狙って学習した負荷であり、だからこそ標準的なコーディング評価よりも差がはるかに大きくなっています。
Terminal-Bench 2.1（Terminus-2）での比較。モデル開発元の公表値です。
Terminus-2 ハーネスの Terminal-Bench 2.1 では、GLM-5.1 の63.5 は Qwen3.7-Max の75.0 を下回り、DeepSeek-V4-Pro の64.0 とほぼ同水準です。一方 GLM-5.2 は81.0 でオープン勢を抜け出し、Claude Opus 4.8 が85.0 で首位です。系譜として読むと、60台前半に固まったオープンモデル世代の中から1つのリリースが抜け出した図であり、GLM-5.1 ではなく GLM-5.2 を現在のオープンウェイトの基準とすべき最も明快な根拠になります。
GLM-5.1 は GLM-5 と GLM-5-Turbo に続き、GLM-5.2 に引き継がれました。明示的な推論強度を持たない最後のGLMモデルであり、これを前提に構築したものはタスクごとに固定量の計算を費やし、リクエスト単位でトレードオフを調整できません。100万トークンのフラッグシップより小さく予測しやすいメモリフットプリントが欲しく、タスクが確実に200Kトークンに収まる場合には、今も妥当な選択肢です。
GLMモデルのベンチマークを読んだら、実際のモデルを動かしてみてください。上のプレイグラウンドは無料で、何の登録も必要ありません。より本格的なAIツールが必要なら、パートナーの無料プランをどうぞ。